请问同一个物体，想要在主程序中识别两次不同角度的特征点，第二次识别总是不成功？
-
-
需要提供全部的代码，我才能测试。
-
# 利用特征点检测特定物体例程。 # 向相机显示一个对象，然后运行该脚本。 一组关键点将被提取一次，然后 # 在以下帧中进行跟踪。 如果您想要一组新的关键点，请重新运行该脚本。 # 注意：请参阅文档以调整find_keypoints和match_keypoints。 import sensor, time, image yellow_threshold = (23, 97, 62, -5, 10, 94) # Reset sensor sensor.reset() # Sensor settings sensor.set_pixformat(sensor.RGB565) # 格式为 RGB565. sensor.set_framesize(sensor.QVGA) # 使用 QQVGA 速度快一些 sensor.skip_frames(time = 2000) # 跳过2000s，使新设置生效,并自动调节白平衡 sensor.set_auto_gain(False) # 关闭自动自动增益。默认开启的，在颜色识别中，一定要关闭白平衡。 sensor.set_auto_whitebal(False) #画出特征点 def draw_keypoints(img, kpts): if kpts: print(kpts) img.draw_keypoints(kpts) # img = sensor.snapshot() # time.sleep(1000) def find_max(blobs): max_size=0 for blob in blobs: if blob.pixels() > max_size: max_blob=blob max_size = blob.pixels() return max_blob kpts1 = None kpts2 = None kpts3 = None r = [0,0,0,0] #kpts1保存目标物体的特征，可以从文件导入特征，但是不建议这么做。 #kpts1 = image.load_descriptor("/desc.orb") #img = sensor.snapshot() #draw_keypoints(img, kpts1) clock = time.clock() while (True): clock.tick() img = sensor.snapshot() if (kpts1 == None): img = img.to_grayscale() #如果是刚开始运行程序，提取最开始的图像作为目标物体特征，kpts1保存目标物体的特征 #默认会匹配目标特征的多种比例大小，而不仅仅是保存目标特征时的大小，比模版匹配灵活。 # NOTE: By default find_keypoints returns multi-scale keypoints extracted from an image pyramid. kpts1 = img.find_keypoints(max_keypoints=150, threshold=1, scale_factor=1.2) draw_keypoints(img, kpts1) elif (kpts2 == None): img = sensor.snapshot() img = img.to_grayscale() kpst2 = img.find_keypoints(max_keypoints=150, threshold=1, scale_factor=1.2) draw_keypoints(img, kpts2) #image.find_keypoints(roi=Auto, threshold=20, normalized=False, scale_factor=1.5, max_keypoints=100, corner_detector=CORNER_AGAST) #roi表示识别的区域，是一个元组（x,y,w,h）,默认与framsesize大小一致。 #threshold是0~255的一个阈值，用来控制特征点检测的角点数量。用默认的AGAST特征点检测，这个阈值大概是20。用FAST特征点检测，这个阈值大概是60～80。阈值越低，获得的角点越多。 #normalized是一个布尔数值，默认是False，可以匹配目标特征的多种大小（比ncc模版匹配效果灵活）。如果设置为True，关闭特征点检测的多比例结果，仅匹配目标特征的一种大小（类似于模版匹配），但是运算速度会更快一些。 #scale_factor是一个大于1.0的浮点数。这个数值越高，检测速度越快，但是匹配准确率会下降。一般在1.35~1.5左右最佳。 #max_keypoints是一个物体可提取的特征点的最大数量。如果一个物体的特征点太多导致RAM内存爆掉，减小这个数值。 #corner_detector是特征点检测采取的算法，默认是AGAST算法。FAST算法会更快但是准确率会下降。 #画出此时的目标特征 elif (kpts1!= None and kpts2!= None): #当与最开始的目标特征进行匹配时，默认设置normalized=True，只匹配目标特征的一种大小。 # NOTE: When extracting keypoints to match the first descriptor, we use normalized=True to extract # keypoints from the first scale only, which will match one of the scales in the first descriptor. kpts3 = img.find_keypoints(max_keypoints=150, threshold=1, scale_factor=1.2) #如果检测到特征物体 if (kpts3): #匹配当前找到的特征和最初的目标特征的相似度 match = image.match_descriptor(kpts1, kpts3, threshold=60) #image.match_descriptor(descritor0, descriptor1, threshold=70, filter_outliers=False)。本函数返回kptmatch对象。 #threshold阈值设置匹配的准确度，用来过滤掉有歧义的匹配。这个值越小，准确度越高。阈值范围0～100，默认70 #filter_outliers默认关闭。 #match.count()是kpt1和kpt2的匹配的近似特征点数目。 print("%d"%(match.count()))#如果大于10，证明两个特征相似，匹配成功。 if (match.count()>2): r = match.rect() flag = 1 flag1 = 1 print(r) img = img.to_rgb565() img = sensor.snapshot() blobs = img.find_blobs([yellow_threshold],roi = r) if blobs: max_blob=find_max(blobs) img.draw_cross(max_blob.cx(), max_blob.cy()) print(max_blob.cx()) print(max_blob.cy()) else: match = image.match_descriptor(kpts2, kpts3, threshold=60) if (match.count()>2): r = match.rect() flag = 1 flag1 = 1 print(r) img = img.to_rgb565() img = sensor.snapshot() blobs = img.find_blobs([yellow_threshold],roi = r) if blobs: max_blob=find_max(blobs) # img.draw_rectangle(max_blob.rect()) img.draw_cross(max_blob.cx(), max_blob.cy()) print(max_blob.cx()) print(max_blob.cy())
-
你的一个变量是kpts2，一个是kpst2
来找找不同